Newest papers

State World Models: Execute the Rules, Generate the Pixels

Chan Yan Ki, Yanran Zhang, Wenzhao Zheng, Xiaofeng Wang, Zheng Zhu, Lei Chen, Jie Zhou, Jiwen Lu · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26811 · open-access PDF

Vietnamese

Các mô hình thế giới hiện có có thể tạo ra video có điều kiện hành động từ một hình ảnh duy nhất. Nhiều người tập trung vào chuyển động của máy ảnh, cho phép người dùng khám phá cảnh được tạo ra. Tuy nhiên, điều hướng một mình không đảm bảo rằng một hành động tuân theo các quy tắc vĩnh viễn khi kết quả của nó phụ thuộc vào trạng thái vô hình trong khung hiện tại. Chúng tôi trình bày Stateful Harness, một khuôn khổ tách biệt sự tiến hóa thế giới khỏi trình chiếu video để hỗ trợ tương tác theo trạng thái và quy tắc. Nó duy trì một trạng thái thế giới đang phát triển theo các quy tắc được chỉ định, hiển thị mỗi sự kiện kết quả với một mô hình video đóng băng, và sử dụng cl được tạo ra

Machine translation (Meta M2M100); the English original follows.

Abstract

Existing world models can generate action-conditioned video from a single image. Many focus on camera movement, allowing users to explore the generated scene. However, navigation alone does not ensure that an action follows persistent rules when its outcome depends on state that is invisible in the current frame. We present Stateful Harness, a framework that separates world evolution from video rendering to support stateful and rule-governed interaction. It maintains an evolving world state under specified rules, renders each resulting event with a frozen video model, and uses the generated cl

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange